論文の概要: Drowsiness-Aware Adaptive Autonomous Braking System based on Deep Reinforcement Learning for Enhanced Road Safety
- arxiv url: http://arxiv.org/abs/2604.13878v2
- Date: Thu, 16 Apr 2026 09:51:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-17 16:09:14.206287
- Title: Drowsiness-Aware Adaptive Autonomous Braking System based on Deep Reinforcement Learning for Enhanced Road Safety
- Title（参考訳）: 道路安全向上のための深部強化学習に基づく眠気認識適応型自律ブレーキシステム
- Authors: Hossem Eddine Hafidi, Elisabetta De Giovanni, Teodoro Montanaro, Ilaria Sergi, Massimo De Vittorio, Luigi Patrono,
- Abstract要約: ドライバーの眠気はヨーロッパでの道路事故の10%から20%を占めると推定されている。
本稿では,車両力学とドライバの生理的データを統合した深部強化学習に基づく自律制動システムを提案する。
ドロージー条件と非ドローシー条件の衝突を避けるために99.99%の成功率を達成した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Driver drowsiness significantly impairs the ability to accurately judge safe braking distances and is estimated to contribute to 10%-20% of road accidents in Europe. Traditional driver-assistance systems lack adaptability to real-time physiological states such as drowsiness. This paper proposes a deep reinforcement learning-based autonomous braking system that integrates vehicle dynamics with driver physiological data. Drowsiness is detected from ECG signals using a Recurrent Neural Network (RNN), selected through an extensive benchmark analysis of 2-minute windows with varying segmentation and overlap configurations. The inferred drowsiness state is incorporated into the observable state space of a Double-Dueling Deep Q-Network (DQN) agent, where driver impairment is modeled as an action delay. The system is implemented and evaluated in a high-fidelity CARLA simulation environment. Experimental results show that the proposed agent achieves a 99.99% success rate in avoiding collisions under both drowsy and non-drowsy conditions. These findings demonstrate the effectiveness of physiology-aware control strategies for enhancing adaptive and intelligent driving safety systems.
- Abstract（参考訳）: ドライバーの眠気は安全なブレーキ距離を正確に判断する能力が著しく損なわれ、ヨーロッパの道路事故の10%から20%に寄与すると推定されている。
従来の運転支援システムでは、眠気のようなリアルタイムな生理状態への適応性が欠如している。
本稿では,車両の動力学とドライバの生理的データを統合する,深層強化学習に基づく自律制動システムを提案する。
リカレントニューラルネットワーク(RNN)を用いてECG信号からDrowsinessを検出する。
ドライバ障害を動作遅延としてモデル化したDouble-Dueling Deep Q-Network(DQN)エージェントの観測可能な状態空間に、推定された眠気状態が組み込まれている。
高忠実度CARLAシミュレーション環境で実装・評価する。
実験の結果, ドロージーおよび非ドローシー条件下での衝突回避において, 99.99%の成功率を達成した。
これらの結果から, 適応型・インテリジェント運転安全システム向上のための生理的意識制御戦略の有効性が示唆された。
関連論文リスト
- Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。
本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。
このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
論文 参考訳（メタデータ） (2026-04-10T17:12:07Z) - How Much Is Too Much? Adaptive, Context-Aware Risk Detection in Naturalistic Driving [0.6299766708197883]
ラベルやモデルを時間とともに、ドライバ間で適応する統合されたコンテキスト対応フレームワークを提案する。
このフレームワークは、速度重み付けされたヘッドウェイと厳しい運転イベントの2つの安全指標と、ランダムフォレスト、XGBoost、ディープニューラルネットワーク(DNN)の3つのモデルを用いてテストされている。
全体として、このフレームワークは、リアルタイムの安全フィードバックを強化し、インテリジェントな交通システムにおけるドライバー中心の介入をサポートする、適応的でコンテキスト対応のリスク検出を約束している。
論文 参考訳（メタデータ） (2025-07-26T16:24:25Z) - Natural Reflection Backdoor Attack on Vision Language Model for Autonomous Driving [55.96227460521096]
視覚言語モデル(VLM)は推論能力を高めるために自律運転システムに統合されている。
本稿では,自律運転シナリオにおけるVLMシステムを対象とした自然反射型バックドアアタックを提案する。
我々の発見は、自動運転の厳しいリアルタイム要求を生かした、新たなタイプの攻撃を発見しました。
論文 参考訳（メタデータ） (2025-05-09T20:28:17Z) - Predicting Driver's Perceived Risk: a Model Based on Semi-Supervised Learning Strategy [7.227510169013427]
ドライバーの主観的リスク(DSPR)モデルは、異方性と減衰を動的に引き起こすメカニズムとして認識されるリスクについて提案される。
20人の参加者がドライバー・イン・ザ・ループ実験のために採用され、様々な自動走行シナリオを経験する際に、リアルタイムの主観的リスクレーティング(SRR)を報告します。
DSPRは3つの最先端リスクモデルと比較して、SRRの予測において87.91%の予測精度を達成している。
論文 参考訳（メタデータ） (2025-04-17T05:50:33Z) - RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [46.909086734963665]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。
従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。
RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文 参考訳（メタデータ） (2023-12-12T06:21:30Z) - DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。
運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。
我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
論文 参考訳（メタデータ） (2023-10-03T10:10:42Z) - Car-Driver Drowsiness Assessment through 1D Temporal Convolutional
Networks [7.455416595124159]
近年,運転支援システムの科学的進歩は,運転の安全性を高める上で重要な役割を担っている。
最近の報告では、眠気や注意不足による事故の増加が確認されている。
この統合システムにより、運転者の眠気のほぼリアルタイムな分類が可能となり、精度は約96%となる。
論文 参考訳（メタデータ） (2023-07-27T10:59:12Z) - Adversarial Robustness and Feature Impact Analysis for Driver Drowsiness
Detection [0.0]
眠気運転は道路事故の主要な原因であるが、ドライバーは疲労が反応時間に与える影響を否定している。
障害が発生する前に眠気を検出するには、機械学習(ML)を使用して心拍変動(HRV)信号を監視するという、有望な戦略がある。
論文 参考訳（メタデータ） (2023-03-23T20:13:44Z) - Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。
実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文 参考訳（メタデータ） (2022-07-05T16:33:20Z) - Driver Drowsiness Classification Based on Eye Blink and Head Movement
Features Using the k-NN Algorithm [8.356765961526955]
この研究は、ドライバー監視カメラの信号を用いて、車両内の運転者の眠気検知を拡張することを目的としている。
この目的のために、運転シミュレータ実験において、運転者の点眼行動と頭部運動に関連する35の特徴を抽出する。
最高の特徴セットの分析は、運転者の瞬き行動と頭部の動きに対する眠気の影響についての貴重な洞察を与える。
論文 参考訳（メタデータ） (2020-09-28T12:37:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。